Métaheuristiques appliquées à la classification non supervisée de données

Abstract

L’analyse et l’exploitation de grande quantité de données nécessite des techniques spécialisées, tel que le datamining qui permet d’extraire des connaissances à partir de données afin de créer un modèle intéressant et compréhensible. L’une des taches descriptives de ce dernier est le clutering (la classification non supervisée) qui consiste à regrouper les données les plus similaires dans les mêmes classes sans aucune connaissance apriori sur le nombre de classes ni leurs étiquettes, en basant sur la notion de distance entre les données pourmaximiser la similarité intra classes et minimiser la similarité inter classes.Pour ce faire, nous allons utiliser les metaheuristiques inspirées de la nature et de l’evolution de l’etre humain afin de transformer le problème de clustering à un grand espace de données.L’objectif de cette travail est d’utiliser une nouvelle métaheuristique basée sur la théorie de la biogéographie consiste en l'étude de la répartition spatiale des espèces vivantes (végétales et animales) et une algorithme génétique pour trouver une classification optimale a notre jeux de données"la fleur de Iris".